View
4
Download
0
Category
Preview:
Citation preview
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
74 | J I E M S
Kebijakan Pemerintah Mengenai Coronavirus Disease (COVID-19) di
Setiap Provinsi di Indonesia Berdasarkan Analisis Klaster
Government Policy Regarding Coronavirus Disease (COVID-19) in Each
Province in Indonesia Based on Clustering Analysis
Glisina Dwinoor Rembulan1*, Tony Wijaya1, Desribeth Palullungan1, Kartika Nur
Alfina1, Muhammad Qurthuby2 1Program Studi Teknik Industri, Universitas Bunda Mulia, Jl. Lodan Raya No. 2 Ancol, Jakarta Utara 14430,
Indonesia 2Program Studi Teknik Industri, Universitas Muhammadiyah Riau, Jl. KH. Ahmad Dahlan No.88 Kp. Melayu,
Pekanbaru 28156, Indonesia
Diterima: 12 Agustus, 2020 / Disetujui: 20 Agustus, 2020
ABSTRACT
Coronavirus disease (COVID-19) is a disease that was only discovered in 2019 and has been reported to have
spread to almost all over the world. This pandemic has caused anxiety and fear for all Indonesians because it can
be transmitted easily through humans. This study aims to cluster each province in Indonesia into certain clusters
so that they can find out the characteristics, movements, and government policies that must be carried out in each
cluster. This study uses secondary data regarding COVID-19 cases in Indonesia, which reached 4800 data from
March 1 to August 11, 2020, in 34 Indonesian provinces. The four variables used were the number of cases of
death, the number of cured cases, the number of active cases, and the number of deaths per one million population.
Cluster 1 has a high risk because it has the highest variable number of active cases and the number of deaths per
one million population. Cluster 2 has a low risk because it has a variable with the highest number of cured cases
and the lowest number of active cases. Cluster 3 has a moderate risk because it has the lowest number of cures
variable and the moderate number of active cases. The government policy in cluster 1 should prioritize the
variable number of active cases and the number of death cases per one million population, cluster 2 must prioritize
the variable number of deaths, and cluster 3 must prioritize the variable number of active cases.
Keywords: Coronavirus disease, Pandemic, Clustering, Government policy, High risk
ABSTRAK
Penyakit Coronavirus (COVID-19) adalah suatu penyakit yang baru ditemukan pada tahun 2019 dan dilaporkan
telah menular ke hampir di seluruh dunia. Pandemi ini telah menimbulkan keresahan dan ketakutan bagi seluruh
masyarakat Indonesia karena dapat menular secara mudah melalui manusia. Penelitian ini bertujuan untuk
mengelompokkan setiap provinsi di Indonesia ke dalam beberapa klaster tertentu sehingga dapat mengetahui
karakteristik, pergerakan, dan kebijakan pemerintah yang harus dilakukan pada masing-masing klaster. Penelitian
ini menggunakan data sekunder mengenai kasus COVID-19 di Indonesia yang mencapai 4800 data dari tanggal
1 Maret hingga 11 Agustus 2020 di 34 provinsi Indonesia. Empat variabel yang digunakan adalah jumlah kasus
kematian, jumlah kasus kesembuhan, jumlah kasus aktif, dan jumlah kasus kematian per satu juta penduduk.
Klaster 1 adalah klaster dengan risiko tinggi karena memiliki variabel jumlah kasus aktif dan jumlah kasus
kematian per satu juta penduduk yang tertinggi. Klaster 2 adalah klaster dengan risiko rendah karena memiliki
variabel dengan jumlah kasus kesembuhan tertinggi dan jumlah kasus aktif terendah. Klaster 3 adalah klaster
dengan risiko sedang karena memiliki variabel jumlah kesembuhan terendah dan jumlah kasus aktif sedang.
Kebijakan pemerintah pada klaster 1 hendaknya memprioritaskan variabel jumlah kasus aktif dan jumlah kasus
kematian per satu juta penduduk, klaster 2 harus memprioritaskan variabel jumlah kasus kematian, dan klaster 3
harus memprioritaskan variabel jumlah kasus aktif.
Kata Kunci: Penyakit coronavirus, Pandemi, Klasterisasi, Kebijakan pemerintah, Risiko tinggi
*email: grembulan@bundamulia.ac.id
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
75 | J I E M S
1. PENDAHULUAN
Penyakit Coronavirus (COVID-19)
adalah suatu penyakit yang baru ditemukan pada
tahun 2019 dan dapat menular. Orang-orang
yang terinfeksi virus ini akan mengalami
penyakit pernapasan dari kategori ringan hingga
menengah dan dapat sembuh tanpa harus ada
perawatan khusus. Penyakit ini dapat
berkembang ke arah yang lebih serius untuk
golongan orang tua dan orang-orang yang
memiliki penyakit seperti kardiovaskular,
diabetes, pernapasan kronis, dan kanker (World
Health Organization, 2020).
COVID-19 merupakan bagian dari
keluarga virus penyebab Severe Acute
Respiratory Syndrome (SARS) dan Middle East
Respiratory Syndrome (MERS) (Kementerian
Kesehatan Republik Indonesia, 2020). Kasus
virus ini ditemukan pertama kali di provinsi
Wuhan dan beberapa gejala yang dialami
apabila terinfeksi virus ini antara lain batuk,
demam, letih, sesak nafas, dan mengalami
penurunan nafsu makan (Mona, 2020). Secara
umum virus ini dapat menular melalui droplet
atau cairan tubuh yang dikeluarkan selama
bersin dan batuk (Hafeez et al., 2020).
Saat ini COVID-19 telah berkembang
pesat dan telah dilaporkan hampir di seluruh
dunia. COVID-19 telah merengut ribuan nyawa
manusia di China hanya dalam waktu 3 bulan
bahkan virus ini telah menyebar ke negara-
negara lain seperti Italia, Iran, Korea Selatan,
Inggris, Jepang, Amerika, Jerman, dan bahkan
di Indonesia (Zaharah, Kirilova dan Windarti,
2020). Jumlah kasus virus corona di dunia telah
mencapai 20.237.653 per 11 Agustus 2020
(Mukaromah, 2020). Penularan yang sangat
cepat dari virus ini membuat World Health
Organization (WHO) menetapkan COVID-19
sebagai pandemi pada 11 Maret 2020 (Widiyani,
2020).
Negara Indonesia adalah salah satu dari
berbagai negara di dunia yang mengalami
dampak COVID-19. Pandemi ini telah
menimbulkan keresahan dan ketakutan bagi
seluruh masyarakat Indonesia karena dapat
menular secara mudah melalui manusia.
Indonesia melaporkan jumlah kasus corona telah
mencapai 128.776 kasus per 11 Agustus 2020
(Nugraheny, 2020). Seluruh provinsi di
Indonesia telah melaporkan adanya kasus dan 3
provinsi dengan jumlah kasus tertinggi yaitu
DKI Jakarta, Jawa Timur, dan Jawa Tengah
(Covid19, 2020). Pandemi COVID-19 telah
menyebabkan pertumbuhan ekonomi Indonesia
pada kuartal II 2020 minus 5,32% (Rizal, 2020).
Sektor pariwisata mengalami penurunan drastis
mencapai 34,9% pada triwulan 1 2020 (Jatmiko,
2020). Aktivitas impor pada triwulan1 2020
menurun 3,7%, pendapatan di sektor udara
menurun 207 miliar, dan lebih dari 1,5 juta
pekerja mengalami pemutusan hubungan kerja
(PHK) (Hanoatubun, 2020). Hal ini membuat
pemerintah Indonesia menetapkan beberapa
kebijakan untuk mengantisipasi dan mengurangi
tingginya penularan virus corona antara lain
membatasi kegiatan di luar rumah, sekolah
dilakukan dari rumah, bekerja dari rumah, dan
beribadah juga dilakukan dari rumah (Yunus
dan Rezki, 2020).
Pada penelitian ini, seluruh data kasus
COVID-19 di semua provinsi Indonesia
dilakukan pengelompokan berdasarkan konsep
data mining sehingga dapat menemukan pola
hubungan pada keseluruhan data. Data mining
mampu mengonversi data mentah menjadi
sebuah pengetahuan yang lebih bermanfaat
dengan cara memetakan data menjadi lebih
ringkas dan abstrak (Sartikha et al., 2016). Hasil
dari data mining dapat dimanfaatkan dalam
pengambilan keputusan di waktu yang akan
datang (Paramartha, Ratnawati dan Widodo,
2017). Salah satu teknik yang terdapat dalam
konsep data mining adalah teknik klasterisasi.
Klasterisasi diartikan sebagai suatu metode yang
digunakan untuk mengklasifikasi data dan untuk
melakukan segmentasi data (Vialetto dan Noro,
2020).
Metode klasterisasi yang digunakan
dalam penelitian ini adalah non hierarki yaitu K-
Means clustering. Metode K-Means clustering
digunakan untuk menunjukkan jumlah anggota
dan mengklasifikasikan masing-masing data di
setiap klaster (Widaningrum et al., 2017).
Metode ini populer digunakan di bidang bisnis,
akademik, dan industri (Talakua, Leleury dan
Taluta, 2017). Keunggulan dari metode ini yaitu
memiliki tingkat ketilitian yang cukup tinggi
pada pengukuran dan pengolahan objek dengan
jumlah besar sehingga algoritmanya lebih relatif
terukur dan efisien (Miswaningsih dan Insani,
2015; Bastian, Sujadi dan Febrianto, 2018).
Beberapa penelitian sebelumnya yang
menerapkan metode K-Means clustering
digunakan untuk mengelompokkan strategi
promosi sekolah (Abadi et al., 2018), pelanggan
kerajinan batik (Syakur et al., 2018), daerah
rawan bencana alam (Supriyadi et al., 2018),
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
76 | J I E M S
daun tanaman padi yang cacat dan sehat (Kumar,
Negi dan Bhoi, 2017) dan jenis penyakit
menular (Rachma, Aden dan Rusdiana, 2019).
Penelitian sebelumnya juga membahas lokasi
pusat distribusi (distribution center)
(Nurprihatin, 2016) dengan mempertimbangkan
jumlah permintaan (Nurprihatin et al., 2017). K-
Means clustering juga dimanfaatkan untuk
mementukan lokasi pusat penyaluran gas alam
(Nurprihatin et al., 2019).
Penelitian ini bertujuan untuk
mengelompokkan setiap provinsi di Indonesia
ke dalam beberapa klaster tertentu sehingga
dapat mengetahui karakteristik, pergerakan, dan
kebijakan pemerintah yang harus dilakukan
pada masing-masing klaster. Variabel-variabel
yang digunakan dalam K-Means clustering
adalah jumlah kasus kematian, jumlah kasus
kesembuhan, jumlah kasus aktif, dan jumlah
kasus kematian per 1 juta penduduk.
2. TINJAUAN PUSTAKA
2.1. Data Mining
Data mining diartikan sebagai suatu
proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan
pembelajaran mesin untuk melakukan ektraksi
dan identifikasi informasi bermanfaat dari
berbagai database besar (Silitonga, 2016).
Tujuan utama data mining adalah melakukan
pengolahan dengan cara memanfaatkan data
dalam basis data sehingga mendapatkan
informasi baru yang berguna (Nur, Zarlis dan
Nasution, 2017). Selain itu data mining juga
digunakan untuk membantu pengambilan
keputusan di masa yang akan datang karena
mampu mencari suatu pola yang diinginkan
dalam suatu database besar (Pramesti, Furqon
dan Dewi, 2017). Data mining terdiri dari 2
kategori yaitu descriptive mining dan predictive
(Metisen dan Sari, 2015). Descriptive mining
digunakan untuk menemukan karakteristik
penting data dari suatu kumpulan data
sedangkan predictive digunakan untuk
menemukan pola data berdasarkan beberapa
variabel lain di masa yang akan datang (Metisen
dan Sari, 2015). Beberapa teknik yang termasuk
ke dalam data mining yaitu klasifikasi, estimasi,
prediksi, dan klasterisasi (Supriyadi et al.,
2018). Penelitian sebelumnya menggunakan
teknik data mining yaitu market basket analysis
untuk merancang ulang tata letak baik pada
pasar modern (Wilujeng, Wu dan Nurprihatin,
2018) maupun pada pasar tradisional (Soetopo,
Tannady dan Nurprihatin, 2017).
2.2. Analisis Klaster
Klasterisasi adalah suatu teknik statistik
multivariat yang dirancang untuk menyatakan
pengelompokan observasi (Klimberg, Ratick
dan Smith, 2017). Klasterisasi termasuk teknik
data mining yang bertujuan mengelompokkan
objek data ke dalam klaster yang berbeda
sehingga objek data dalam satu klaster lebih
mirip dibandingkan objek data pada klaster yang
lain (Kumar dan Toshniwal, 2016). Klasterisasi
dapat digunakan untuk mengklasifikasikan
daerah-daerah yang padat, menemukan pola-
pola distribusi, dan menemukan keterkaitan
antara setiap data (Metisen dan Sari, 2015).
Ada 2 metode dalam analisis klaster yaitu
metode hierarki dan non hierarki (Silvi, 2018).
1. Metode Hierarki
Metode ini mengelompokkan antara dua atau
lebih objek berdasarkan kesamaan yang
paling dekat, kemudian dilanjutkan dengan
objek lain yang memiliki kedekatan kedua
dan seterusnya sampai klaster membentuk
hierarki atau tingkatan yang jelas antar objek
(Goreti, Novia dan Wahyuningsih, 2016).
2. Metode Non Hierarki
Metode ini mengelompokkan data dengan
menentukan jumlah klaster terlebih dahulu
(Goreti, Novia dan Wahyuningsih, 2016).
Kelebihan dari analisis klaster antara lain
sebagai berikut (Talakua, Leleury dan Taluta,
2017):
1. Mampu mengelompokkan data observasi
yang relatif banyak dan dalam jumlah yang
besar. Data yang telah direduksi dengan
kelompok akan memudahkan dalam proses
analisis.
2. Dapat digunakan pada skala data ordinal,
interval dan rasio.
2.3. K-Means Clustering
K-Means clustering adalah suatu metode
clustering non hierarki yang berfungsi untuk
mengelompokkan satu atau lebih klaster
(Rahmayani, 2018). Proses clustering dilakukan
berdasarkan jarak terdekat ke titik pusat (Asroni
dan Adrian, 2015; Poerwanto dan Fa’rifah,
2016). Tujuan dari metode ini adalah
mengelompokkan data dalam satu klaster
berdasarkan kemiripan data yang paling
maksimal (Asroni dan Adrian, 2015). Proses
validasi K-means clustering dengan analysis of
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
77 | J I E M S
variance (ANOVA), hasil signifikansi yang
didapatkan harus memiliki nilai < 0,05 yang
berarti bahwa terdapat perbedaan yang
signifikan antara setiap klaster (Widaningrum et
al., 2017). Metode ini sangat populer dan paling
banyak digunakan karena algoritmanya yang
sangat mudah untuk diimplementasikan dan
diadaptasi (Silvi, 2018). Selain itu metode ini
mampu melakukan pengelompokkan data dan
data outlier dalam ukuran besar dengan sangat
cepat (Metisen dan Sari, 2015).
Proses algoritma dari K-Means clustering
adalah sebagai berikut (Ramadhan, Efendi dan
Mustakim, 2017):
1. Memasukkan data yang akan di klaster.
2. Menentukan jumlah klaster.
3. Mengambil sembarang data sebanyak jumlah
klaster secara acak untuk dijadikan pusat
klaster (centroid).
4. Menghitung jarak antara data dengan pusat
klaster menggunakan persamaan (1).
𝑑𝑖𝑗 = √(𝑥1𝑖 − 𝑥1𝑗)2+⋯+ (𝑥𝑘𝑖 − 𝑥𝑘𝑗)
2 (1)
dimana:
D (i, j) = jarak data i ke pusat klaster j
𝑥𝑘𝑖 = data ke i pada atribut ke k
𝑥𝑘𝑗 = titik pusat ke j pada atribut ke
k
5. Menghitung kembali pusat klaster dengan
anggota klaster yang baru.
6. Jika pusat klaster tidak mengalami perubahan
maka proses klaster dikatakan selesai, namun
jika belum lakukan kembali langkah ke 4
sampai pusat klaster tidak mengalami
perubahan.
3. METODOLOGI
Data yang digunakan dalam penelitian ini
adalah data sekunder mengenai kasus COVID-
19 di Indonesia. Jumlah data yang digunakan
mencapai 4800 data dari tanggal 1 Maret hingga
11 Agustus 2020 di 34 provinsi Indonesia
(Kaggle, 2020). Variabel-variabel yang
digunakan dalam penelitian ini berdasarkan 15
Indikator yang digunakan oleh pemerintah
Indonesia dalam penentuan zona setiap daerah
(Damarjati, 2020). Terdapat 4 variabel yang
sesuai antara data sekunder dan 15 indikator
dalam penentuan zona setiap daerah. Tabel 1
menunjukkan 4 variabel yang digunakan dalam
penelitian ini.
Tabel 1 menunjukkan bahwa 4 variabel
yang digunakan adalah jumlah kasus kematian,
jumlah kasus kesembuhan, jumlah kasus aktif,
dan jumlah kasus kematian/juta penduduk.
Diagram alir penelitian adalah suatu diagram
yang menunjukkan urutan proses yang harus
dilakukan dalam penelitian ini. Gambar 1
menunjukkan diagram alir penelitian.
Tabel 1. Variabel Penelitian Variabel Nama Variabel
X1 Jumlah Kasus Kematian
X2 Jumlah Kasus Kesembuhan
X3 Jumlah Kasus Aktif
X4 Jumlah Kasus Kematian/Juta
Penduduk
Gambar 1 menunjukkan bahwa terdapat 8
langkah yang dilakukan dalam penelitian ini
antara lain:
1. Mengumpulkan data jumlah kasus kematian,
jumlah kasus kesembuhan, jumlah kasus
aktif, dan jumlah kasus kematian per/juta
penduduk di seluruh provinsi Indonesia.
2. Melakukan analisis statistika deskriptif untuk
mengetahui karakteristik dari data yang
digunakan.
3. Menentukan jumlah klaster k =3
4. Melakukan pengelompokan menggunakan
K-Means clustering dengan software SPSS
26.
5. Memerhatikan karakteristik dari ketiga
klaster.
6. Menentukan tingkat risiko setiap klaster.
7. Melihat pergerakan klaster dari setiap
provinsi berisiko tinggi dari 1 Agustus 2020
hingga 11 agustus 2020.
8. Menentukan kebijakan setiap klaster.
4. HASIL DAN PEMBAHASAN
4.1. Analisis Statistik Deskriptif
Analisis ini digunakan untuk
mendapatkan gambaran secara umum dan
mencari nilai z-score yang akan digunakan
dalam K-Means clustering. Analisis statistik
deskriptif meliputi nilai minimum, maksimum,
rata-rata, dan standar deviasi. Tabel 2
menunjukkan hasil analisis statistik deskriptif.
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
78 | J I E M S
Pengumpulan Data
-Jumlah Kasus Kematian
-Jumlah Kasus Kesembuhan
-Jumlah Kasus Aktif
-Jumlah Kasus Kematian/Juta Penduduk
Melakukan Analisis Statistik Deskriptif
Menentukan Jumlah Klaster k = 3
K-Means Clustering dengan SPSS
Memerhatikan Karakateristik Ketiga
Klaster
Menentukan Tingkat Risiko Ketiga
Klaster
Melihat Pergerakan Klaster Setiap
Provinsi Berisiko Tinggi
Menentukan Kebijakan Pemerintah pada
Ketiga Klaster
Gambar 1. Diagram Alir Penelitian
4.2. Pusat Klaster Awal
Pusat klaster awal merupakan proses
pertama clustering sebelum dilakukan iterasi.
Tabel 3 menunjukkan hasil pusat klaster awal.
Tabel 3 menunjukkan bahwa klaster 1
memiliki nilai z-score tertinggi pada variabel
jumlah kasus aktif dan z-score sedang pada
variabel jumlah kasus kematian, jumlah kasus
kesembuhan, dan jumlah kasus kematian/juta
penduduk. Klaster 2 memiliki nilai z-score
tertinggi pada variabel jumlah kasus kematian
dan kematian/juta penduduk, z-score sedang
pada variabel jumlah kasus aktif, dan z-score
terkecil pada variabel jumlah kasus
kesembuhan. Klaster 3 memiliki nilai z-score
tertinggi pada variabel jumlah kasus
kesembuhan dan z-score terkecil pada variabel
jumlah kasus kematian, jumlah kasus aktif, dan
jumlah kasus kematian/juta penduduk.
4.3. Iterasi Klaster
Iterasi klaster menunjukkan jumlah iterasi
yang dilakukan. Tabel 4 menunjukkan hasil
iterasi klaster. Tabel 4 menunjukkan bahwa
proses iterasi dilakukan sebanyak 17 kali untuk
mendapatkan klaster yang tepat. Jarak minimum
antar pusat klaster yang didapatkan dari hasil
iterasi adalah 26,123.
Tabel 2. Analisis Statistik Deskriptif N Minimum Maximum Mean Std. Deviation
Jumlah Kasus Kematian 4800 0 65 1,20 3,941
Jumlah Kasus Kesembuhan 4800 0 679 17,39 54,736
Jumlah Kasus Aktif 4800 -483 932 8,09 44,881
Jumlah Kasus Kematian / Juta Pendudk 4800 0,00 6,71 0,1305 0,34338
Valid N 4800
Tabel 3. Pusat Klaster Awal Klaster
1 2 3
Zscore (Jumlah Kasus Kematian) 0,70962 6,54518 -0,30526
Zscore (Jumlah Kasus Kesembuhan) 0,19388 -0,31767 10,77201
Zscore (Jumlah Kasus Aktif) 20,58556 0,71093 -10,71920
Zscore (Jumlah Kasus Kematian/Juta Penduduk) -0,11790 19,16115 -0,38000
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
79 | J I E M S
Tabel 4. Iterasi Klaster
Iteration Change in Cluster Centers
1 2 3
1 15,524 14,427 15,162
2 1,285 2,135 0,121
3 0,273 1,295 0,081
4 0,232 0,466 0,023
5 0,312 0,360 0,012
6 0,237 0,155 0,005
7 0,196 0,104 0,001
8 0,172 0,116 0,002
9 0,210 0,239 0,005
10 0,294 0,375 0,005
11 0,618 0,994 0,004
12 0,767 1,185 0,027
13 0,288 0,493 0,016
14 0,146 0,225 0,008
15 0,072 0,216 0,004
16 0,047 0,191 0,001
17 0,000 0,000 0,000
a. Convergence achieved due to no or small change in cluster centers. The maximum absolute
coordinate change for any center is .000. The current iteration is 17. The minimum distance between
initial centers is 26.123.
Tabel 5. Pusat Klaster Akhir Klaster
1 2 3
Zscore (Jumlah Kasus Kematian) 1,89066 3,25246 -0,21360
Zscore (Jumlah Kasus Kesembuhan) 0,67638 5,87391 -0,17340
Zscore (Jumlah Kasus Aktif) 1,36720 -2,97112 -0,04486
Zscore (Jumlah Kasus Kematian/Juta Penduduk) 2,54874 1,18258 -0,22202
4.4. Pusat Klaster Akhir
Pusat klaster akhir menunjukkan hasil
akhir dari proses clustering. Tabel 5
menunjukkan hasil dari pusat klaster akhir.
Tabel 5 menunjukkan bahwa klaster 1 memiliki
nilai z-score tertinggi pada variabel jumlah
kasus aktif dan jumlah kasus kematian/juta
penduduk dan z-score sedang pada variabel
jumlah kasus kematian dan jumlah kasus
kesembuhan. Klaster 2 memiliki nilai z-score
tertinggi pada variabel jumlah kasus kematian
dan jumlah kasus kesembuhan, z-score sedang
pada variabel jumlah kasus kematian/juta
penduduk, dan z-score terkecil pada variabel
jumlah kasus aktif. Klaster 3 memiliki nilai z-
score sedang pada variabel jumlah kasus aktif
dan z-score terkecil pada variabel jumlah kasus
kematian, jumlah kasus kesembuhan, dan
jumlah kasus kematian/juta penduduk.
Setelah melihat karaktersitik dari ketiga
klaster maka klaster dengan risiko tertinggi
terdapat pada klaster 1 karena memiliki jumlah
kasus aktif dan jumlah kasus kematian/juta
penduduk yang tinggi, klaster dengan risiko
sedang terdapat pada klaster 3 karena memiliki
jumlah kasus kesembuhan terendah dan jumlah
kasus aktif sedang, dan klaster dengan risiko
terendah terdapat pada klaster 2 karena memiliki
jumlah kasus kesembuhan tertinggi dan jumlah
kasus aktif terendah.
4.5. Keanggotaan Klaster
Proses K-Means clustering dapat
mengetahui jumlah anggota setiap klaster. Tabel
8 menunjukkan jumlah anggota setiap klaster.
Tabel 8. Jumlah Anggota Setiap Klaster Klaster Anggota
1 339
2 90
3 4371
Valid
4800
Missing
0
Tabel 8 menunjukkan bahwa klaster 1
memiliki 339 anggota, klaster 2 memiliki 90
anggota, dan klaster 3 memiliki 4371 anggota.
Data anggota ini diperoleh dari rentang waktu 3
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
80 | J I E M S
Maret hingga 11 Agustus 2020 di 34 provinsi
Indonesia.
Dari 34 provinsi tersebut dipilih beberapa
provinsi berdasarkan klaster terakhirnya.
Provinsi dengan klaster 1 pada klaster
terakhirnya dipilih karena klaster 1 memiliki
risiko tertinggi. Tabel 6 menunjukkan klaster
terakhir di 34 provinsi Indonesia.
Tabel 6 menunjukkan bahwa terdapat 4
provinsi yang memiliki klaster terakhir 1 yaitu
provinsi DKI Jakarta, Kalimantan Timur,
Sulawesi Utara, dan Sumatera Utara. Keempat
provinsi ini dilihat pergerakan klasternya dari
tanggal 1 Agustus hingga 11 Agustus 2020.
Gambar 2 menunjukkan pergerakan klaster
keempat provinsi.
Tabel 6. Klaster Terakhir 34 Provinsi No Provinsi Klaster Terakhir
1 DKI Jakarta 1
2 Kalimantan Timur 1
3 Sulawesi Utara 1
4 Sumatera Utara 1
5 Jawa Timur 2
6 Aceh 3
7 Bali 3
8 Banten 3
9 Bengkulu 3
10 Daerah Istimewa Yogyakarta 3
11 Gorontalo 3
12 Jambi 3
13 Jawa Barat 3
14 Jawa Tengah 3
15 Kalimantan Barat 3
16 Kalimantan Selatan 3
17 Kalimantan Tengah 3
18 Kalimantan Utara 3
19 Kepulauan Bangka Belitung 3
20 Kepulauan Riau 3
21 Lampung 3
22 Maluku 3
23 Maluku Utara 3
24 Nusa Tenggara Barat 3
25 Nusa Tenggara Timur 3
26 Papua 3
27 Papua Barat 3
28 Riau 3
29 Sulawesi Barat 3
30 Sulawesi Selatan 3
31 Sulawesi Tengah 3
32 Sulawesi Tenggara 3
33 Sumatera Barat 3
34 Sumatera Selatan 3
Tabel 7. ANOVA Cluster Error
F Sig. Mean Square df Mean Square df
Zscore (Jumlah Kasus Kematian) 1181,639 2 0,508 4797 2327,162 0,000
Zscore (Jumlah Kasus Kesembuhan) 1695,889 2 0,293 4797 5781,024 0,000
Zscore (Jumlah Kasus Aktif) 718,475 2 0,701 4797 1025,127 0,000
Zscore (Jumlah Kasus Kematian/Juta
Penduduk)
1271,746 2 0,470 4797 2704,740 0,000
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
81 | J I E M S
Gambar 2. Pergerakan Klaster Provinsi Berisiko Tinggi
Gambar 2 menunjukkan bahwa provinsi
DKI Jakarta memiliki kecenderungan
pergerakan pada klaster 1, Kalimantan Timur
memiliki kecenderungan pergerakan pada
klaster 1, Sulawesi Utara memiliki
kecenderungan pergerakan pada klaster 3, dan
Sumatera Utara memiliki kecenderungan
pergerakan pada klaster 3.
4.6. ANOVA
Analysis of variance (ANOVA)
digunakan untuk melihat apakah terdapat
perbedaan variabel yang signifikan pada setiap
klaster yang terbentuk. Tabel 7 menunjukkan
hasil dari ANOVA.
Tabel 7 menunjukkan bahwa terdapat
perbedaan variabel yang signifikan pada setiap
klaster karena nilai signifikansi untuk keempat
variabel < 0,05.
4.7. Kebijakan Pemerintah pada Setiap
Klaster
Berdasarkan hasil K-Means clustering
maka telah diketahui karakteristik setiap klaster.
Oleh karena itu pemerintah harus melakukan
beberapa kebijakan sesuai dengan klaster
masing-masing.
1. Klaster 1
Klaster 1 memiliki karakteristik dengan
variabel jumlah kasus aktif dan jumlah kasus
kematian/juta penduduk yang tinggi. Oleh
karena itu kedua variabel ini menjadi
prioritas oleh pemerintah untuk dilakukan
berbagai kebijakan.
Beberapa kebijakan untuk menurunkan
jumlah kasus aktif antara lain:
a. Membatasi akses keluar masuk wilayah.
b. Membatasi aktivitas masyarakat dengan
cara belajar, bekerja, dan beribadah di
dalam rumah.
c. Menutup tempat-tempat pusat keramaian
seperti pasar dan mall.
d. Memperketat pengawasan terhadap
masyarakat dalam menjalankan protokol
kesehatan.
e. Memberikan sanksi yang tegas kepada
setiap masyarakat yang melanggar
peraturan pemerintah dalam penanganan
penyebaran COVID-19.
f. Menyediakan cairan disinfektan di
tempat-tempat publik.
g. Menerapkan pembatasan fisik dan sosial
di tempat-tempat publik.
1
2
30
8-0
1-2
0
08
-0
2-2
0
08
-0
3-2
0
08
-0
4-2
0
08
-0
5-2
0
08
-0
6-2
0
08
-0
7-2
0
08
-0
8-2
0
08
-0
9-2
0
08
-1
0-2
0
08
-1
1-2
0
CL
US
TE
R
TANGGAL
J AKARTA
1
2
3
08
-0
1-2
0
08
-0
2-2
0
08
-0
3-2
0
08
-0
4-2
0
08
-0
5-2
0
08
-0
6-2
0
08
-0
7-2
0
08
-0
8-2
0
08
-0
9-2
0
08
-1
0-2
0
08
-1
1-2
0
CL
US
TE
R
TANGGAL
KALIM ANTAN TIM UR
1
2
3
08
-0
1-2
0
08
-0
2-2
0
08
-0
3-2
0
08
-0
4-2
0
08
-0
5-2
0
08
-0
6-2
0
08
-0
7-2
0
08
-0
8-2
0
08
-0
9-2
0
08
-1
0-2
0
08
-1
1-2
0
CL
US
TE
R
TANGGAL
SULAWESI UTARA
1
2
3
08
-0
1-2
0
08
-0
2-2
0
08
-0
3-2
0
08
-0
4-2
0
08
-0
5-2
0
08
-0
6-2
0
08
-0
7-2
0
08
-0
8-2
0
08
-0
9-2
0
08
-1
0-2
0
08
-1
1-2
0
CL
US
TE
R
TANGGAL
SUM ATERA UTARA
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
82 | J I E M S
h. Memperbanyak jumlah tes cepat dan tes
polymerase chain reaction (PCR) secara
massal.
i. Mewajibkan untuk memakai masker di
ruang publik atau luar rumah.
j. Melakukan penelusuran kontak dari kasus
positif secara cepat dan tanggap.
k. Melakukan isolasi bagi yang terinfeksi
COVID-19.
l. Memberikan edukasi-edukasi kepada
masyarakat mengenai cara memutus mata
rantai penyebaran COVID-19 seperti
sering mencuci tangan dengan air
mengalir dan sabun selama 20 detik,
melakukan pembatasan fisik dan sosial,
tidak menyentuh area wajah, mencuci
bahan makanan, menerapkan etika saat
batuk dan bersin, tidak berbagi barang
pribadi, membersihkan perabotan rumah,
dan menjaga imunitas tubuh.
Beberapa kebijakan untuk menurunkan
jumlah kasus kematian/juta penduduk antara
lain:
a. Menjamin tersedianya tenaga medis yang
memadai dalam menangani para pasien di
setiap tingkat daerah sesuai jumlah
penduduk di daerah tersebut.
b. Memperbanyak fasilitas pelayanan
kesehatan khusus dalam penanganan
COVID-19 di setiap tingkat daerah sesuai
jumlah penduduk di daerah tersebut.
c. Melakukan pengawasan dan kontrol yang
lebih ketat di setiap tingkat daerah.
d. Melakukan koordinasi yang lebih baik
antara pemerintah pusat dengan kepala-
kepala tingkat daerah.
e. Menjamin ketersediaan alat pelindung
diri (APD) bagi tenaga medis di setiap
fasilitas kesehatan.
f. Menangani pasien darurat yang lebih
responsif dan sesuai dengan prosedur
kesehatan.
g. Melakukan isolasi mandiri bagi orang
yang berisiko tinggi terinfeksi COVID-19
seperti lansia yang memiliki penyakit
penyerta.
h. Memberikan masker gratis kepada
seluruh penduduk miskin.
i. Memberikan edukasi kepada masyarakat
untuk segera memeriksakan diri ke rumah
sakit apabila mengalami gejala-gejala
COVID-19.
2. Klaster 2
Klaster 2 memiliki karakteristik dengan
variabel jumlah kasus kematian tertinggi.
Oleh karena variabel ini menjadi prioritas
oleh pemerintah untuk dilakukan berbagai
kebijakan.
Beberapa kebijakan pemerintah untuk
menurunkan jumlah kasus kematian antara
lain:
a. Menjamin tersedianya tenaga medis yang
memadai dalam menangani para pasien.
b. Memperbanyak fasilitas pelayanan
kesehatan khusus dalam penanganan
COVID-19.
c. Menjamin ketersediaan alat pelindung
diri (APD) bagi tenaga medis di setiap
fasilitas kesehatan.
d. Menangani pasien darurat yang lebih
responsif dan sesuai dengan prosedur
kesehatan.
e. Melakukan isolasi mandiri bagi orang
yang berisiko tinggi terinfeksi COVID-19
seperti lansia yang memiliki penyakit
penyerta.
f. Memberikan masker gratis kepada
masyarakat miskin.
g. Memberikan edukasi kepada masyarakat
untuk segera memeriksakan diri ke rumah
sakit apabila mengalami gejala-gejala
COVID-19.
3. Klaster 3
Klaster 3 memiliki karakteristik dengan
variabel jumlah kasus aktif pada kategori
sedang. Oleh karena itu variabel ini menjadi
prioritas untuk direkomendasikan berbagai
kebijakan kepada pemerintah. Beberapa
kebijakan untuk menurunkan jumlah kasus
aktif antara lain:
a. Merekomendasikan untuk menutup
tempat-tempat pusat keramaian seperti
pasar dan mall.
b. Merekomendasikan untuk menyediakan
cairan disinfektan di tempat-tempat
publik.
c. Merekomendasikan untuk
memperbanyak jumlah tes cepat dan tes
polymerase chain reaction (PCR) secara
massal.
d. Merekomendasikan untuk menerapkan
pembatasan fisik dan sosial di tempat-
tempat publik.
e. Merekomendasikan untuk melakukan
penelusuran kontak dari kasus positif
secara cepat dan tanggap.
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
83 | J I E M S
f. Melakukan isolasi bagi yang terinfeksi
COVID-19.
g. Mewajibkan untuk memakai masker di
ruang publik atau luar rumah.
h. Memberikan edukasi-edukasi kepada
masyarakat mengenai cara memutus mata
rantai penyebaran COVID-19 seperti
sering mencuci tangan dengan air
mengalir dan sabun selama 20 detik,
melakukan pembatasan fisik dan sosial,
tidak menyentuh area wajah, mencuci
bahan makanan, menerapkan etika saat
batuk dan bersin, tidak berbagi barang
pribadi, membersihkan perabotan rumah,
dan menjaga imunitas tubuh.
5. SIMPULAN
Klaster 1 adalah klaster dengan risiko
tinggi karena memiliki variabel jumlah kasus
aktif dan jumlah kasus kematian/juta penduduk
yang tertinggi. Klaster 2 adalah klaster dengan
risiko rendah karena memiliki variabel dengan
jumlah kasus kesembuhan tertinggi dan jumlah
kasus aktif terendah. Klaster 3 adalah klaster
dengan risiko sedang karena memiliki variabel
jumlah kesembuhan terendah dan jumlah kasus
aktif sedang.
Provinsi dengan klaster 1 pada klaster
terakhirnya yaitu DKI Jakarta, Kalimantan
Timur, Sulawesi Utara, dan Sumatera Utara.
Kebijakan pemerintah pada klaster 1 hendaknya
memprioritaskan variabel jumlah kasus aktif dan
jumlah kasus kematian/juta penduduk, klaster 2
memprioritaskan variabel jumlah kasus
kematian, dan klaster 3 memprioritaskan
variabel jumlah kasus aktif.
Penelitian yang akan datang dapat
menentukan jumlah kluster awal pada proses K-
Means clustering yang lebih spesifik dan ilmiah.
Pemerintah Indonesia harus segera menerapkan
beberapa kebijakan sesuai dengan variabel yang
dipriroritaskan pada masing-masing klaster
sehingga kasus COVID-19 dapat cepat teratasi.
Penelitian selanjutnya juga dapat menilai
kualitas layanan dalam menjamin kepuasan
pelanggan, dalam hal ini pasien COVID-19
(Wilujeng dan Rembulan, 2019; Wilujeng et al.,
2019; Wilujeng, Rembulan dan Regina, 2019;
Wilujeng, Suyoto dan Rembulan, 2019;
Rowena, Wilujeng dan Rembulan, 2020).
DAFTAR PUSTAKA
Abadi, S. et al. (2018) “Application Model of K-
Means Clustering: Insights Into
Promotion Strategy of Vocational High
School,” International Journal of
Engineering and Technology, 7(27), hal.
182–187. doi: 10.14419/ijet.v7i2.11491.
Asroni dan Adrian, R. (2015) “Penerapan
Metode K-Means untuk Clustering
Mahasiswa Berdasarkan Nilai Akademik
dengan Weka Interface Studi Kasus pada
Jurusan Teknik Informatika UMM
Magelang,” Jurnal Ilmiah Semesta
Teknika, 18(1), hal. 76–82.
Bastian, A., Sujadi, H. dan Febrianto, G. (2018)
“Penerapan Algoritma K-Means
Clustering Analysis pada Penyakit
Menular Manusia (Studi Kasus
Kabupaten Majalengka),” Jurnal Sistem
Informasi, 14(1), hal. 1–7.
Covid19 (2020) Peta Sebaran. Tersedia pada:
https://covid19.go.id/peta-sebaran
(Diakses: 11 Agustus 2020).
Damarjati, D. (2020) Ini Indikator Pemerintah
dalam Menentukan Zona Merah hingga
Hijau Corona. Tersedia pada:
https://news.detik.com/berita/d-
5045402/ini-indikator-pemerintah-
dalam-menentukan-zona-merah-hingga-
hijau-corona/2 (Diakses: 11 Agustus
2020).
Goreti, M., Novia, Y. dan Wahyuningsih, S.
(2016) “Perbandingan Hasil Analisis
Cluster dengan Menggunakan Metode
Single Linkage dan Metode C-Means,”
Jurnal Eksponensial, 7(1), hal. 9–16.
Hafeez, A. et al. (2020) “A Review of COVID-
19 (Coronavirus Disease-2019)
Diagnosis, Treatments and Prevention,”
Eurasian Journal of Medicine and
Oncology, 4(2), hal. 116–125. doi:
10.14744/ejmo.2020.90853.
Hanoatubun, S. (2020) “Dampak Covid-19
Terhadap Perekonomian Indonesia,”
Journal of Education, Psycholgy and
Counseling, 2(1), hal. 146–153.
Jatmiko, B. P. (2020) Perekonomian Indonesia
Pasca-Pandemi Covid-19. Tersedia pada:
https://money.kompas.com/read/2020/05
/10/091500226/perekonomian-indonesia-
pasca-pandemi-covid-19?page=all
(Diakses: 11 Agustus 2020).
Kaggle (2020) COVID-19 Indonesia Dataset.
Tersedia pada:
https://www.kaggle.com/hendratno/covid
19-indonesia (Diakses: 12 Agustus 2020).
Kementerian Kesehatan Republik Indonesia
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
84 | J I E M S
(2020) Novel Coronavirus. Tersedia
pada: https://www.kemkes.go.id/
(Diakses: 11 Agustus 2020).
Klimberg, R., Ratick, S. dan Smith, H. (2017)
“A Novel Approach to Forecasting
Regression and Cluster Analysis,”
Advances in Business and Management
Forecasting, 12, hal. 87–101. doi:
10.1108/S1477-407020170000012006.
Kumar, P., Negi, B. dan Bhoi, N. (2017)
“Detection of Healthy and Defected
Diseased Leaf of Rice Crop Using K-
Means Clustering Technique,”
International Journal of Computer
Applications, 157(1), hal. 24–27. doi:
10.5120/ijca2017912601.
Kumar, S. dan Toshniwal, D. (2016) “A Data
Mining Approach to Characterize Road
Accident Locations,” Journal of Modern
Transportation. Springer Berlin
Heidelberg, 24(1), hal. 62–72. doi:
10.1007/s40534-016-0095-5.
Metisen, B. M. dan Sari, H. L. (2015) “Analisis
Clustering Menggunakan Metode K-
Means dalam Pengelompokkan Penjualan
Produk pada Swalayan Fadhila,” Jurnal
Media Infotama, 11(2), hal. 110–118.
Miswaningsih, N. dan Insani, N. (2015)
“Analisis Perilaku Pengguna E-Learning
BESMART Melalui Teknik Clustering
dengan Algoritma K-Means,” in Seminar
Nasional Matematikan dan Pendidikan
Matematika. Universitas Negeri
Yogyakarta, hal. 241–246.
Mona, N. (2020) “Konsep Isolasi dalam
Jaringan Sosial untuk Meminimalisasi
Efek Contagious (Kasus Penyebaran
Virus Corona di Indonesia),” Jurnal
Sosial Humaniora Terapan, 2(2), hal.
117–125.
Mukaromah, V. F. (2020) Update Virus Corona
Dunia 11 Agustus: 179.990 Kasus Baru
Covid-19 pada Anak-anak di AS. Tersedia
pada:
https://www.kompas.com/tren/read/2020
/08/11/083218665/update-virus-corona-
dunia-11-agustus-179990-kasus-baru-
covid-19-pada-anak?page=all (Diakses:
11 Agustus 2020).
Nugraheny, D. E. (2020) Update 11 Agustus:
Tambah 1.693, Total Ada 128.776 Kasus
Covid-19 di Indonesia. Tersedia pada:
https://nasional.kompas.com/read/2020/0
8/11/15483341/update-11-agustus-
tambah-1693-total-ada-128776-kasus-
covid-19-di-indonesia?page=all
(Diakses: 11 Agustus 2020).
Nur, F., Zarlis, M. dan Nasution, B. B. (2017)
“Penerapan Algoritma K-Means pada
Siswa Baru Sekolah Menengah Kejuruan
untuk Clustering Jurusan,” Jurnal
Nasional Informatika dan Teknologi
Jaringan, 1(2), hal. 100–105. doi:
10.30743/infotekjar.v1i2.70.
Nurprihatin, F. (2016) “Penentuan Pusat
Distribusi Ritel dengan Analisis K-Means
Clustering (Studi Kasus PT. XYZ di
Kalimantan),” in Seminar Nasional
Teknologi dan Sains II. Jakarta: Fakultas
Teknik, Universitas Tarumanagara, hal.
TI-10-TI-19.
Nurprihatin, F. et al. (2017) “Algoritma K-
Means Clustering untuk Menentukan
Lokasi Pusat Distribusi Ritel dengan
Mempertimbangkan Jumlah Permintaan,”
Jurnal Penelitian dan Aplikasi Sistem dan
Teknik Industri, 11(1), hal. 32–44.
Nurprihatin, F. et al. (2019) “The Extension
Analysis of Natural Gas Network
Location-routing Design Through the
Feasibility Study,” Journal of Applied
Research on Industrial Engineering, 6(2),
hal. 108–124. doi:
10.22105/jarie.2019.174164.1082.
Paramartha, G. N. W., Ratnawati, D. E. dan
Widodo, A. W. (2017) “Analisis
Perbandingan Metode K-Means dengan
Improved Semi-Supervised K-Means
pada Data Indeks Pembangunan Manusia
(IPM),” Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, 1(9), hal.
813–824.
Poerwanto, B. dan Fa’rifah, R. Y. (2016)
“Analisis Cluster K-Means dalam
Pengelompokan Kemampuan
Mahasiswa,” Jurnal Scientific Pinisi,
2(2), hal. 92–96.
Pramesti, D. F., Furqon, M. T. dan Dewi, C.
(2017) “Implementasi Metode K-
Medoids Clustering Untuk
Pengelompokan Data,” Jurnal
Pengembangan Teknologi Informasi dan
Ilmu Komputer, 1(9), hal. 723–732. doi:
10.1109/EUMC.2008.4751704.
Rachma, A., Aden dan Rusdiana, Y. (2019)
“Analisis Cluster Menggunakan
Algoritma K-Means Cluster untuk
Clustering Jenis Penyakit Menular pada
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
85 | J I E M S
Puskesmas di Kecamatan Kota
Tangerang,” Jurnal Sains dan
Matematika Unpam, 2(1), hal. 15–27. doi:
10.32493/jsmu.v2i1.2915.
Rahmayani, M. T. I. (2018) “Analisis Clustering
Tingkat Keparahan Penyakit Pasien
Menggunakan Algoritma K-Means,”
Jurnal Inovasi Teknik Informatika, 1(2),
hal. 40–44.
Ramadhan, A., Efendi, Z. dan Mustakim (2017)
“Perbandingan K-Means dan Fuzzy C-
Means untuk Pengelompokan Data User
Knowledge Modeling,” in Seminar
Nasional Teknologi Informasi,
Komunikasi dan Industri, hal. 219–226.
Rizal, J. G. (2020) Pandemi Covid-19, Apa Saja
Dampak pada Sektor Ketenagakerjaan
Indonesia? Tersedia pada:
https://www.kompas.com/tren/read/2020
/08/11/102500165/pandemi-covid-19-
apa-saja-dampak-pada-sektor-
ketenagakerjaan-indonesia-?page=all
(Diakses: 11 Agustus 2020).
Rowena, J., Wilujeng, F. R. dan Rembulan, G.
D. (2020) “Pengaruh Kualitas Layanan
dalam Menciptakan Kepuasan Publik di
Kantor Pelayanan Publik, Jakarta Utara,”
Journal of Industrial Engineering and
Management Systems, 13(1), hal. 27–34.
doi: 10.30813/jiems.v13i1.2083.
Sartikha et al. (2016) “Analisis Profil
Mahasiswa Politeknik Negeri Batam
dengan Teknik Data Mining Asosiasi dan
Clustering,” Jurnal Integrasi, 8(1), hal.
16–21.
Silitonga, P. (2016) “Analisis Pola Penyebaran
Penyakit Pasien Pengguna Badan
Penyelenggara Jaminan Sosial (BPJS)
Kesehatan dengan Menggunakan Metode
DBScan Clustering (Studi Kasus Rumah
Sakit Umum Pusat Haji Adam Malik
Medan),” Jurnal Times, 5(1), hal. 36–39.
Silvi, R. (2018) “Analisis Cluster dengan Data
Outlier Menggunakan Centroid Linkage
dan K-Means Clustering untuk
Pengelompokkan Indikator HIV/AIDS di
Indonesia,” Jurnal Matematika
“MANTIK,” 4(1), hal. 22–31. doi:
10.15642/mantik.2018.4.1.22-31.
Soetopo, H. S. R., Tannady, H. dan Nurprihatin,
F. (2017) “Perancangan Ulang Tata Letak
Pasar Johar Baru untuk Mengurangi
Kepadatan Lalu Lintas dalam Pasar,”
Journal of Industrial Engineering and
Management Systems, 10(1), hal. 12–24.
Supriyadi, B. et al. (2018) “Classification of
Natural Disaster Prone Areas in Indonesia
Using K-Means,” International Journal
of Grid and Distributed Computing,
11(8), hal. 87–98. doi:
10.14257/ijgdc.2018.11.8.08.
Syakur, M. A. et al. (2018) “Integration K-
Means Clustering Method and Elbow
Method for Identification of the Best
Customer Profile Cluster,” IOP
Conference Series: Materials Science and
Engineering, 336(1), hal. 1–6. doi:
10.1088/1757-899X/336/1/012017.
Talakua, M. W., Leleury, Z. A. dan Taluta, A.
W. (2017) “Analisis Cluster dengan
Menggunakan Metode K-Means untuk
Pengelompokkan Kabupaten/Kota di
Provinsi Maluku Berdasarkan Indikator
Indeks Pembangunan Manusia Tahun
2014,” Jurnal Ilmu Matematika dan
Terapan, 11(2), hal. 119–128. doi:
10.30598/barekengvol11iss2pp119-128.
Vialetto, G. dan Noro, M. (2020) “An
Innovative Approach to Design
Cogeneration Systems Based on Big Data
Analysis and Use of Clustering Methods,”
Energy Conversion and Management.
Elsevier, 214, hal. 1–20. doi:
10.1016/j.enconman.2020.112901.
Widaningrum, D. L. et al. (2017) “Conjoint
Analysis for New Service Development
on Electricity Distribution in Indonesia,”
in IOP Conference Series: Earth and
Environmental Science, hal. 1–9. doi:
10.1088/1755-1315/79/1/012027.
Widiyani, R. (2020) Latar Belakang Virus
Corona, Perkembangan Hingga Isu
Terkini. Tersedia pada:
https://news.detik.com/berita/d-
4943950/latar-belakang-virus-corona-
perkembangan-hingga-isu-terkini
(Diakses: 11 Agustus 2020).
Wilujeng, F. R. et al. (2019) “Meningkatkan
Kepuasan Pelanggan pada Dua Bisnis E-
Commerce Terbesar di Indonesia dengan
Menggunakan Analisis Servqual dan
IPA,” in Prosiding Seminar Nasional
Sains dan Teknologi. Jakarta: Fakultas
Teknik Universitas Muhammadiyah
Jakarta, hal. 1–9.
Wilujeng, F. R. dan Rembulan, G. D. (2019)
“Perancangan Model Kualitas Pelayanan
Puskesmas dengan Metode Importance
Versi Online: http://journal.ubm.ac.id/index.php/jiems DOI: 10.30813/jiems.v13i2.2280 Hasil Penelitian
Journal of Industrial Engineering and Management Systems Vol. 13, No. 2, 74-86, 2020
ISSN 1979-1720 E-ISSN 2579-8154
86 | J I E M S
Performance Analysis (IPA) dan Quality
Function Deployment (QFD),” Jurnal
Intech, 5(2), hal. 43–50. doi:
10.30656/intech.v5i2.1675.
Wilujeng, F. R., Rembulan, G. D. dan Regina,
T. (2019) “Pengukuran Kualitas Layanan
dengan Metode Service Quality pada
Puskesmas Jakarta Utara,” in Prosiding
Seminar Nasional Teknik Industri.
Lhokseumawe: Universitas Malikussaleh.
Wilujeng, F. R., Suyoto, Y. T. dan Rembulan, G.
D. (2019) “Dampak Faktor Motivasi
terhadap Performa Kerja Layanan
Publik,” in Prosiding Seminar Nasional
Teknik Industri. Lhokseumawe:
Universitas Malikussaleh, hal. 2–7.
Wilujeng, F. R., Wu, W. dan Nurprihatin, F.
(2018) “Perancangan Ulang Tata Letak
Etalase Barang dengan Metode Market
Basket Analysis dan Activity
Relationship Chart (Studi Kasus Retail
Lawson Universitas Bunda Mulia),” in
Prosiding Seminar Nasional Multi
Disiplin Ilmu. Semarang: Universitas
Stikubank, hal. 15–20.
World Health Organization (2020) Coronavirus.
Tersedia pada:
https://www.who.int/health-
topics/coronavirus#tab=tab_1 (Diakses:
11 Agustus 2020).
Yunus, N. R. dan Rezki, A. (2020) “Kebijakan
Pemberlakuan Lock Down Sebagai
Antisipasi Penyebaran Corona Virus
Covid-19,” Jurnal Sosial dan Budaya
Syar-i, 7(3), hal. 227–238. doi:
10.15408/sjsbs.v7i3.15083.
Zaharah, Kirilova, G. I. dan Windarti, A. (2020)
“Dampak Wabah Virus Corona Terhadap
Kegiatan Belajar Mengajar di Indonesia,”
Jurnal Sosial dan Budaya Syar’i, 7(3),
hal. 269–282. doi:
10.15408/sjsbs.v7i3.15104.
Recommended